pre aula 18/09

docs/aulas/14_tictactoe/index.md

@@ -1,22 +1,19 @@
 # Jogador de jogo da velha
 
 
-<!--
 ## Pré-atividade
 
-Responda as perguntas abaixo: 
+Pense nas perguntas abaixo: 
 
 1. O que é um ambiente competitivo de soma zero?
 1. Qual o objetivo do algoritmo Min-Max? Em outras palavras, por que um agente autônomo que atua em um ambiente competitivo deve usar o algoritmo Min-Max?
 1. O que é função de utilidade? Por que utilizar funções de utilidade? 
 1. Qual é a relação da profundidade da árvore de busca do Min-Max com o desempenho final do agente? Existe correlação? Justifique a sua resposta.
 
--->
 
 ## Objetivo da atividade
 
-O objetivo desta atividade é implementar um jogador de jogo da velha usando o algoritmo Min-Max e avaliar o impacto da 
-profundidade no desempenho do agente. 
+O objetivo desta atividade é implementar um jogador de jogo da velha usando o algoritmo Min-Max. 
 
 O ambiente que vamos utilizar para implementar este jogador é o `kaggle-environments`. 
 
@@ -32,38 +29,38 @@ O código fonte deste pacote e alguma documentação está disponível [neste li
 
 Além disso, [neste link](tictactoe.ipynb) tem um tutorial bem básico sobre o funcionamento deste ambiente. Para aqueles que estão com dificuldade em instalar o pacote do kaggle, utilizem o [Google Colab](https://colab.research.google.com/gist/fbarth/ad7d167798a0d9097d2aca4a1c98c367/tictactoe.ipynb).
 
-## Implementação para conceito B
+## Implementação para conceito C
 
 * Implemente um agente usando o algoritmo `MinMax`, com limite de profundidade, capaz de jogar o jogo da velha.
-* Utilize uma função de utilidade não muito complexa, mas que você acredita que é correta para o jogo da velha.
-* No caso do jogo da velha, a profundidade pode variar de `1` até `9`. 
-* Para cada profundidade você deve executar `200` jogos do seu jogador contra o jogador `random`, onde `100` jogos o seu jogador é o primeiro a jogar e `100` jogos onde o seu jogador é o segundo a jogar. Ao final deste processo, você terá uma tabela parecida com esta: 
+* Utilize uma função de utilidade não muito complexa, mas que você acredita que é correta para o jogo da velha. No caso do jogo da velha, a profundidade pode variar de `1` até `9`. 
+* Os resultados obtidos pelo seu agente não são importantes. 
 
-| Profundidade | Quantidade de vitórias | Quantidade de derrotas | Quantidade de empates | Tempo médio por jogada | Desvio padrão |
-|--------------|------------------------|------------------------|------------------------|------------------------|---------------|
-| 1            | 100                    | 100                    | 0                      | 0.1                    | 0.01          |
-| 2            | 100                    | 100                    | 0                      | 0.2                    | 0.02          |
+Toda a implementação e documentação sobre os resultados deve estar em um arquivo `ipynb`.
+
+## Implementação para conceito B
 
-* Para cada jogada feita pelo seu jogador você deve medir quanto tempo ele gasta para tomar a decisão e calcular a média e o desvio padrão.
-* Você deve encontrar uma forma gráfica para sumarizar os dados existentes na tabela acima. 
+* Para obter conceito B você deve fazer todos os itens especificados no conceito C. Mas, agora, você deve implementar uma função de utilidade mais complexa e que você acredita que é mais correta para o jogo da velha. 
+* Neste caso, o seu agente não pode perder nenhum jogo.
 
-Toda a implementação e documentação sobre os resultados deve estar em um arquivo `ipynb`.  
+Toda a implementação e documentação sobre os resultados deve estar em um arquivo `ipynb`.
 
 ## Implementação para conceito A+
 
-* Implemente um agente usando o algoritmo `MinMax` com poda alpha-beta, com limite de profundidade, capaz de jogar o jogo da velha.
+* Implemente um agente usando o algoritmo `MinMax` com **poda alpha-beta**, com limite de profundidade, capaz de jogar o jogo da velha.
 * Você pode utilizar a mesma função de utilidade implementada anteriormente.
-* Repita o processo de avaliação do agente, mas agora com a poda alpha-beta.
-* Compare os resultados obtidos com a poda alpha-beta com os resultados obtidos sem a poda alpha-beta.
-* Você deve encontrar uma forma gráfica para sumarizar os dados dos experimentos. 
+* Neste caso o seu agente não pode perder nenhum jogo e deve ganhar sempre que possível. Você deve perceber uma melhora no tempo de execução de cada jogada do seu agente.
+
 * Toda a implementação e documentação sobre os resultados deve estar em um arquivo `ipynb`.
 
 ## Entrega
 
-* Para a implementação e entrega deste exercício nós vamos utilizar o Github Classroom. O link para para envio do projeto é este aqui [https://classroom.github.com/a/qTtNQURN](https://classroom.github.com/a/qTtNQURN). 
+* Para a implementação e entrega deste exercício nós vamos utilizar o Github Classroom. O link para para envio do projeto é este aqui [https://classroom.github.com/a/RrBlJCJA](https://classroom.github.com/a/RrBlJCJA). 
+
+* A entrega é em equipes com até 3 integrantes e o  **prazo para a entrega** é 20/09/2024 (sexta-feira) até às 23:30 horas.
 
-* A entrega é em equipes com até 4 integrantes e o  **prazo para a entrega** é 22/04/2024 (segunda-feira) até às 23:30 horas.
 
+<!--
 ## Um possível solução para o problema
 
-Uma possível solução para este problema está disponível [aqui](./tictactoe_minmax.ipynb).
+Uma possível solução para este problema está disponível [aqui](./tictactoe_minmax.ipynb).
+-->

mkdocs.yml

@@ -40,8 +40,8 @@ nav:
 #
     - 'Ambientes competitivos':
       - 'aulas/13_jogos/index.md'
-#      - 'aulas/14_tictactoe/tictactoe.ipynb'
-#      - 'aulas/14_tictactoe/index.md'
+      - 'aulas/14_tictactoe/tictactoe.ipynb'
+      - 'aulas/14_tictactoe/index.md'
 #
 ###    - 'aulas/14_competicao/index.md'
 #    - 'Aprendizagem por reforço':